结合用户聚类和评分偏好的推荐算法*

针对推荐算法中用户评分矩阵维度高、计算量大的问题,为更加真实地反映用户本身评分偏好,提出一种结合用户聚类和评分偏好的推荐算法。先利用PCA降维和k-means聚类对用户评分矩阵进行预处理,在最近邻选取方法上,添加用户共同评分数量作为约束,利用用户和相似簇的相似度对相似簇内评分加权求和生成基本预测评分;再综合用户评分偏置和用户项目类型偏好,建立用户评分偏好模型;最后通过多元线性回归确定每部分的权重,生成最终的预测评分。对比实验结果表明,新算法能更真实地反映用户评分,有效减少计算量并提高推荐系统的预测准确率,更好地满足用户对于推荐系统的个性化需求。     

融合用户时效偏好的推荐算法

在推荐系统中,随时间精确捕获用户偏好能有效提高推荐精度。但基于所有用户的简单时间相关性通常是没有实际意义的,因为不同用户的偏好随着外部环境不同而发生改变。用户时下偏好受用户长期偏好和短期偏好的共同影响。为了捕获用户长期和短期偏好,在推荐系统中引入基于会话的时态图STG(Session-based Temporal Graph),提出基于STG的路径融合算法PFA(Path Fusion Algorithm),并生成对某个用户的Top-N物品推荐。使用CiteULike和Delicious两个历史数据集来评估算法的有效性,实验结果表明所提算法在准确度上要高于以往传统算法。     

基于聚类系数的推荐算法*

摘 要：针对于标准二分图网络推荐算法（NBI）的物质扩散机制过于简单的问题,基于聚类系数的改进NBI算法（简称NBICC）被提出。在文章中,推荐系统可以被抽象为一个有向加权二分图网络。在物质扩散的过程中,考虑到聚类系数因素的影响,重新定义了商品之间的相似度的计算公式,进而获得了更加精确的推荐结果。Ranking score,precison,recall等评价指标被应用在本文提出的新算法中,实验结果表明,这三样重要指标上,NBICC算法都强于标准NBI算法。     

新型偏好敏感决策树算法*

针对现有决策树模型在分类过程中没有考虑决策者对结果的偏好行为,因而不能很好的预测具有明显偏好倾向问题的不足,提出了一种偏好敏感决策树(Preference Sensitive Decision Tree, PSDT)分类算法。该算法引入了偏好度和偏好代价的概念,并通过综合考虑属性信息和有效偏好,构建新型属性选择因子和基于有效偏好的结点类标号分配准则。通过自适应调整偏好度,可生成最佳偏好敏感决策树。实验结果证明该算法既能实现对偏好类的高精度预测,同时能够保证决策树拥有良好的整体精度,且具有较高的有效性和实用性,能够很好的解决偏好敏感环境下的决策问题。     

基于隐式反馈和加权用户偏好的推荐算法

针对现有隐式反馈算法中正负样本划分不合理、忽略用户操作频次、无法准确建模用户偏好等问题,提出一种基于隐式反馈和加权用户偏好的推荐算法(IFW-LFM)。该算法考虑了用户操作频次与正负样本划分间的关系,学习并改进wALS算法,根据用户操作频次从缺失值中重新挖掘潜在正负样本,将用户操作频次大于1时的样本设置为正样本,用户操作频次为1或0时的样本为正样本或负样本,不再需要人为引入负样本;根据用户操作频次对用户偏好程度的影响,定义了置信度,明确用户偏好,并将其应用在隐因子模型的框架中;利用用户收听歌曲起止时间、收听时长等隐式反馈数据,提高隐式反馈样本利用度。在两个音乐数据集上的对比实验结果说明,该算法在准确率、召回率与NDCG值上与5个经典隐式反馈算法(UserCF、ItemCF、LFM、BPR、SVD)相比最大平均提升了45.81%,83.83%和60.33%,具有更优的推荐效果。     

基于用户偏好融合的组推荐算法综述

传统的推荐系统是面向单个用户的推荐。作为个性化推荐的一个新的延伸,目前有越来越多的推荐系统正试图面向一组成员进行推荐。将推荐对象从单个用户扩展到一组用户的转变带来了许多新的课题,该文将主要介绍目前已有的几种组推荐算法,并总结一般组推荐系统的偏好融合过程。     

基于用户偏好融合的组推荐算法综述

传统的推荐系统是面向单个用户的推荐。作为个性化推荐的一个新的延伸,目前有越来越多的推荐系统正试图面向一组成员进行推荐。将推荐对象从单个用户扩展到一组用户的转变带来了许多新的课题,该文将主要介绍目前已有的几种组推荐算法,并总结一般组推荐系统的偏好融合过程。     

基于用户特征的分步协同推荐算法*

协同过滤是解决信息过载问题的一种有效技术。然而基于内存的推荐面临着可扩展性问题,基于模型的推荐需要训练大量的参数。本文提出了基于用户特征的K-means用户聚类算法,然后用分步协同过滤框架融合基于项目和基于用户的协同过滤给每一个聚簇训练一个模型。实验结果表明本文提出的算法能极大的提高推荐精度,同时在一定程度上解决了基于模型和基于内存的推荐存在的不足。     

基于用户分类的隐含因子模型研究*

针对现有隐含因子模型存在的新用户和项目的冷启动问题,提出基于用户分类的隐含因子模型,将用户分类信息融入到隐含因子的矩阵分解当中,先在原评分矩阵和用户分类信息的基础上使用指示函数和数据归一化等方法构建一个分类评分矩阵,再将分类评分矩阵融入到隐含因子模型的评分预测中。通过与传统隐含因子模型等方法在多个不同隐含因子个数上的实验比较分析,实验结果表明,改进模型能够不仅能解决新用户和项目的冷启动问题,还能有效降低预测评分的均方根误差,并提高预测推荐的准确度。     

基于概率时间Petri网的流程推荐方法*

为了向用户推荐结构相似且时间效率较高的流程,提出了一种基于流程中活动发生的概率和时间的流程推荐方法。首先,定义了一个模型PTN(Probabilistic Time Petri Net )来表示流程;然后,改进了一个现有的流程相似度方法并且将它命名为MDS(Matrix Distance Similarity),用于找出流程库中与查询模型结构相似的流程集合;最后,提出了一个最小加权时间方法MWT(Minimum Weighted Time),用于找出流程集合中时间效率较高的业务流程。在此基础上设计了相关算法,并且分析了时间复杂度。实验数据证明了本文方法的有效性和高效性。     

融合项目偏差与用户偏好的推荐算法

针对协同过滤推荐中由于项目和用户间关联因素的相互影响而存在项目偏差和用户偏好的问题,提出一种融合项目偏差与用户偏好的推荐算法。先进行聚类处理,包括LDA主题建模生成项目簇和K-means聚类生成用户簇;再依次根据项目簇和用户簇的约束生成项目偏差分,同时以用户项目评分及项目类型为基础,经过概率转移得到用户偏好分;最后以项目簇内已有评分的均值为基础,对项目偏差分和用户偏好分进行线性加权生成预测评分。对比实验表明,新算法能够根据不同的近邻得到合理的推荐,提高推荐的准确度。     

考虑非对称用户偏好的推荐算法

为解决常见的相似性方法存在未考虑用户间共同评分项在目标用户所评项目中的比例以及用户评分偏好的问题。提出了非对称因子和偏好因子,用于提高用户相似性计算的准确性。在公开的MovieLens和Yahoo Music数据集上的实验表明,引入这两个因子后,相似性模型的预测误差下降显著,优于其他相似性方法。非对称因子和偏好因子的引入更合理地体现出用户间的评分差异性,有效地处理了用户偏好问题,提高了推荐质量。     

基于频繁主题集偏好的学术论文推荐算法

针对学术论文推荐中项目冷启动问题,提出了一种基于频繁主题集偏好的协同主题回归模型。该算法考虑到用户在选择学术论文时对研究热点的偏好,使用频繁主题集代表研究热点,将用户对研究热点的偏好表示成用户对频繁主题集的偏好。通过潜在狄利克雷分布主题模型挖掘得到论文—主题概率分布矩阵,并筛选出论文中概率较高的主题;然后挖掘出频繁出现的主题集合,并得到论文—频繁主题集矩阵;最后在预测未知评分时融入用户对频繁主题集的偏好。在CiteULike数据集上的实验表明,相比于矩阵分解模型和协同主题回归模型,该算法在召回率、准确率和RMSE三个指标上都有所提升。     

基于用户兴趣特征提取的推荐算法研究*

传统的推荐算法一定程度上降低了网络消费者的搜索成本,但难以实时提供消费者满意的推荐服务,也忽略了用户偏好动态转移性。为了提高电子商务系统的推荐质量,从用户偏好的行为特征入手,建立了网络用户的兴趣特征提取模型,并设计了相应的推荐算法。通过对用户兴趣特征提取模型的检验和用户兴趣度矩阵的建立,依据与目标用户偏好相似的邻居用户对商品的兴趣程度预测用户对未浏览商品的兴趣度,并选择兴趣度值较高的N个商品推荐给用户。实验结果表明,在用户偏好动态转移的情况下,所设计的推荐算法的推荐精度和推荐效率明显提高,提高了网络用户的     

Recommendation algorithm based on item quality and user rating preferences

Recommender systems are one of the most im- portant technologies in e-commerce to help users filter out the overload of information. However, current mainstream recommendation algorithms, such as the collaborative filter- ing CF family, have problems ness. These problems hinder such as scalability and sparse- further developments of rec- ommender systems. We propose a new recommendation al- gorithm based on item quality and user rating preferences, which can significantly decrease the computing complexity. Besides, it is interpretable and works better when the data is sparse. Through extensive experiments on three benchmark data sets, we show that our algorithm achieves higher accu- racy in rating prediction compared with the traditional ap- proaches. Furthermore, the results also demonstrate that the problem of rating prediction depends strongly on item quality and user rating preferences, thus opens new paths for further study.     

基于用户偏好优化模型的推荐算法研究

传统的个性化推荐算法普遍存在数据稀疏性问题,影响了推荐的准确度。Slope one算法具有简单、高效等特点,但该算法只是根据用户—项目评分矩阵进行数据分析,对所有用户采用一致性的权重进行计算,忽视了用户对项目类型的喜好程度。针对上述问题进行了研究,提出LR-Slope one算法。首先根据用户—项目评分矩阵和项目类型信息构建用户对项目类型的偏好矩阵;然后利用线性回归模型计算用户对每个类型的权重,采用随机梯度下降算法优化权重;最后结合Slope one算法预测评分,填充评分矩阵,提高推荐的质量。实验结果表明,所提算法提高了推荐的精度,有效缓解了稀疏性问题。     

Recommendation algorithm based on item quality and user rating preferences

Recommender systems are one of the most important technologies in e-commerce to help users filter out the overload of information. However, current mainstream recommendation algorithms, such as the collaborative filtering CF family, have problems such as scalability and sparseness. These problems hinder further developments of recommender systems. We propose a new recommendation algorithm based on item quality and user rating preferences, which can significantly decrease the computing complexity. Besides, it is interpretable and works better when the data is sparse. Through extensive experiments on three benchmark data sets, we show that our algorithm achieves higher accuracy in rating prediction compared with the traditional approaches. Furthermore, the results also demonstrate that the problem of rating prediction depends strongly on item quality and user rating preferences, thus opens new paths for further study.     

基于评分和项目特征的群组推荐方法

针对现有群组推荐方法准确率偏低的问题,提出了一种基于评分和项目特征相结合的方法。首先综合时间因素对评分的影响和项目领域特征,利用改进的TF-IDF方法构建成员在各个特征上的偏好模型。其次考虑群体用户间的相互作用,从项目特征属性均值相似性权重和特征属性频度权重两个方面来得到群体偏好模型。最后计算群组在项目特征上和评分上的综合相似度,进行预测评分并推荐。通过在MovieLens数据集上进行实验,表明本方法比现有方法的准确率有明显提高。     

基于用户标注行为的潜在好友推荐

目前多数社交网络主要根据已有好友关系推荐潜在好友,用户的兴趣爱好不作为主要考虑因素;此外,如何从大量数据中精确地提取用户的兴趣爱好是一项十分艰巨的任务。为此,提出一种在大量标注行为数据中精确挖掘出用户的兴趣爱好,并据此推荐具有相同兴趣爱好的潜在好友的算法--基于标注的好友推荐(FRBT)算法。首先使用词频-逆向文件频率(TF-IDF)对标签进行聚类,将语义相似的标签聚成话题;然后在话题的基础上提出一种新的相似度公式来计算用户相似度;再融合基于话题与基于物品的用户相似度,将相似度较高的用户作为潜在好友进行推荐。在Delicious数据集上以准确率和召回率为指标与item、tag和tri-graph三种算法进行比较,实验验证了该算法能够更准确地为用户推荐兴趣相似的好友。